論文の概要: An Interpretable Framework Applying Protein Words to Predict Protein-Small Molecule Complementary Pairing Rules

• arxiv url: http://arxiv.org/abs/2604.16550v1
• Date: Fri, 17 Apr 2026 06:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.066938
• Title: An Interpretable Framework Applying Protein Words to Predict Protein-Small Molecule Complementary Pairing Rules
• Title（参考訳）: タンパク質-小分子相補的ペアリングルール予測のためのタンパク質単語を用いた解釈可能なフレームワーク
• Authors: Jingke Chen, Jingrui Zhong, Tazneen Hossain Tani, Zidong Su, Xiaochun Zhang, Boxue Tian,
• Abstract要約: 我々は,タンパク質-小分子結合予測の解釈可能性を向上させる枠組みを開発する。 PWRulesは、特権化された小さな分子断片を特定するために結合親和性データを適用している。 次に、これらの断片とタンパク質の単語間の相補的なペアリングルールを定義する。 結果として生じるワードフラグメント規則は、活性化合物を優先するPWScore関数によってランク付けされる。
• 参考スコア（独自算出の注目度）: 1.0775419935941009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the high accuracy of 'black box' deep learning models, drug discovery still relies on protein-ligand interaction principles and heuristics. To improve interpretability of protein-small molecule binding predictions, we developed the PWRules framework, which applies binding affinity data to identify privileged small molecule fragments and subsequently defines complementary pairing rules between these fragments and protein words (semantic sequence units) through an interpretability module. The resulting word-fragment rules are then ranked by the PWScore function to prioritize active compounds. Evaluations on benchmark datasets show that PWScore achieves competitive performance comparable to the physics-based model (Glide) and the deep learning model (PSICHIC) and shows broad applicability for protein targets outside the training dataset, e.g., SARS-CoV-2 main protease. Notably, PWScore captures complementary interaction information, yielding superior enrichment performance when integrated with these established methods. Structural analysis of protein-ligand complexes indicates that learned word-fragment rules are significantly enriched near ligand-binding pockets, despite training without explicit structural guidance. By extracting and applying complementary pairing rules, PWRules provides an interpretable framework for drug discovery.
• Abstract（参考訳）: ブラックボックス」深層学習モデルの精度が高いにもかかわらず、薬物発見はまだタンパク質-リガンド相互作用の原理とヒューリスティックスに依存している。 タンパク質-小分子結合予測の解釈性を改善するために,特権化された小分子断片の同定に結合親和性データを適用したPWRulesフレームワークを開発した。 結果として生じるワードフラグメント規則は、活性化合物を優先順位付けするためにPWScore関数によってランク付けされる。 ベンチマークデータセットの評価は、PWScoreが物理ベースモデル(Glide)とディープラーニングモデル(PSICHIC)に匹敵する競争性能を達成し、トレーニングデータセット外のタンパク質ターゲット(例:SARS-CoV-2メインプロテアーゼ)に広く適用可能であることを示している。 特に、PWScoreは相補的な相互作用情報をキャプチャし、これらの確立した手法と統合すると、より優れたエンリッチメント性能が得られる。 タンパク質-リガンド複合体の構造解析は、学習された単語フラグメント規則が、明示的な構造ガイダンスのないトレーニングにもかかわらず、リガンド結合ポケットの近くに著しく富んでいることを示唆している。 PWRulesは相補的なペアリング規則を抽出して適用することにより、薬物発見のための解釈可能な枠組みを提供する。

関連論文リスト

• LINKER: Learning Interactions Between Functional Groups and Residues With Chemical Knowledge-Enhanced Reasoning and Explainability [6.086602240954416]
  生物学的に定義された相互作用型の観点から残基の相互作用を予測する最初のシーケンスベースモデルであるLINKERを紹介する。 リンカーは3Dタンパク質-リガンド複合体から相互作用ラベルが誘導される構造制御された注意で訓練される。 推論時にのみシーケンスレベルの入力が必要であり、構造データが利用できない設定で大規模アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-03T15:53:56Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms [2.399426243085768]
  タンパク質間相互作用予測のための階層的コントラストフレームワークであるHIPPOを提案する。 提案手法は、タンパク質の機能クラス間の構造的関係をエミュレートする階層的コントラスト損失関数を含む。 ベンチマークデータセットの実験では、HIPPOが最先端のパフォーマンスを達成し、既存のメソッドを上回り、低データのレシエーションにおいて堅牢性を示すことが示されている。
  論文  参考訳（メタデータ） (2025-07-03T15:41:04Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。